[发明专利]一种基于视频图像的河道排口排水状态实时识别方法

说明书

本发明公开了一种基于视频图像的河道排口排水状态实时识别方法，包括下列步骤，首先建立排水状态深度学习模型，建立排水状态深度学习模型步骤为：收集河道排口排水与非排水状态视频；拆分视频为一帧帧图像；计算得出每帧图像的运动矢量；对运动矢量进行排水状态标签信息标注；建立排水状态深度学习模型；训练排水状态深度学习模型。然后通过摄像头取得河道排口实时视频流，拆分视频流为一帧帧图像，计算得出每帧图像的运动矢量，用已建立的排水状态深度学习模型对每帧图像的运动矢量进行分析输出初步排水状态结果，分析过滤初步结果，输出最终排水状态信息。本发明实现了河道排口排水状态实时无人监测和自动识别，利于相关部分及时发现问题，消除隐患，从源头上解决河道污染问题。

技术领域

本发明涉及智慧水务领域，具体为适用于河道排口流水实时视频识别的基于视频图像的河道排口排水状态实时识别方法。

背景技术

随着社会的发展，尤其是科学技术的进步，大大促进了社会生产力的飞速发展；尤其是通讯网络技术的广发应用，使得多数领域开始变的由传统的人工统计分析向智慧方向发展。

河道排口流水识别技术目前尚不成熟，可以通过视频监控技术实现，如果排口有异常排水可以方便的调取和查看现场情况，但视频监控的劣势是要靠人盯着才能发现异常。所以研究出一种河道排口流水自动识别方法势在必行，以提高河道排口流水智能识别的精度和提高效率。

近年来，深度学习(Deep Learning)在人工智能领域取得了重要且成功的突破，成为机器学习一个新的和热门的研究方向，具有强大的学习和高效的特征表达能力，在计算机视觉、图像与视频分析、语音识别、多媒体等诸多领域都取得了巨大成功。其中，基于视频图像的河道排口流水自动识别方法具有较高的识别精度和高效的视频流数据分析效率。

现有技术中河道排口排水情况复杂，例如排口形状不一，可为圆形、方形、多边形等；排口水流变化很大，有时水流很小，通过液位计进行测量有较大误差；排出的水流颜色变化很大，有时与排口青苔混为一色；因此提供一种能够测量排口排水状态，进而控制河道排口污水偷排特别是有毒污水小量排放问题的方法，是一个急需解决的问题。

发明内容

针对现有技术中存在的不足，本发明提供了一种以深度学习技术为核心实现对河道排口流水视频数据的分析，采用深度卷积神经网络进行训练，在数据集中加入多种场景数据，经过训练后得到一个排口流水场景的判断模型，通过对视频流的准实时分析，实现实时识别并给出具有时序性质的异常排水报警信息的基于视频图像的河道排口排水状态实时识别方法。

本发明的目的是这样实现的：

一种基于视频图像的河道排口排水状态实时识别方法，首先建立排水状态深度学习模型，建立排水状态深度学习模型步骤为：收集河道排口排水与非排水状态视频；拆分视频为一帧帧图像；计算得出每帧图像的运动矢量；对运动矢量进行排水状态标签信息标注；建立排水状态深度学习模型；训练排水状态深度学习模型；然后通过摄像头取得河道排口实时视频流，拆分视频流为一帧帧图像，计算得出每帧图像的运动矢量，用已建立的排水状态深度学习模型对每帧图像的运动矢量进行分析输出初步排水状态结果，分析过滤初步结果，输出最终排水状态信息；具体步骤为：

(1)通过摄像头取得河道排口实时视频流；

(2)拆分视频流为一帧帧图像；

(3)计算得出每帧图像的运动矢量；

(4)用已建立的排水状态深度学习模型对每帧图像的运动矢量进行分析输出初步排水状态结果；

(5)分析过滤模型给出的排口初步排水状态结果；

建立河道排口排水的模型及设定初始条件的方法如下：

建立河道排口排水模型

u_t+uu_x＝0